CN110646810B - 一种散斑优化压缩感知鬼成像方法及系统 - Google Patents
一种散斑优化压缩感知鬼成像方法及系统 Download PDFInfo
- Publication number
- CN110646810B CN110646810B CN201910920934.XA CN201910920934A CN110646810B CN 110646810 B CN110646810 B CN 110646810B CN 201910920934 A CN201910920934 A CN 201910920934A CN 110646810 B CN110646810 B CN 110646810B
- Authority
- CN
- China
- Prior art keywords
- speckle
- matrix
- light intensity
- target
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/481—Constructional features, e.g. arrangements of optical elements
Abstract
本发明公开的一种散斑优化压缩感知鬼成像方法及系统，属于光学成像技术领域。本发明实现方法为：通过主元分析法生成优化的散斑矩阵；根据生成的散斑矩阵生成光斑，将生成的光斑投射到目标图像上，接收目标图像反射的光强信号，将信号传递到压缩处理模块；在压缩处理模块中将得到的光强信号向稀疏基投影得到稀疏信号，将稀疏信号通过过完备测量矩阵得到一系列非自适应线性随机投影值矩阵，对一系列非自适应线性随机投影值矩阵求解最优化问题实现对原始光强信号高度重构，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量。本发明还公开一种基于压缩感知的计算鬼成像系统。本发明具有成像速度快、接受光强信号次数少、形式灵活的优点。
Description
技术领域
本发明属于光学成像技术领域，尤其涉及一种散斑优化压缩感知鬼成像方法及系统。
背景技术
关联成像是以量子光学理论为基础的一种利用双光路进行符合探测的新型计算成像技术，为光学系统获取图像信息提供了一种全新的方案。传统概念中的成像方式是对光场的光强分布直接探测，而鬼成像技术则通过对双光路的强度涨落信息进行关联运算，得到待测物体的像。其中一条光路称为测试路，光线经过待测物体后，携带物体信息的光场到达一个单点探测器上；另一路为参考路(通常为光强已知的预置光场)，光场经过一段空间的自由传播直接被面阵探测器接收。两个探测器分别得到的是光场的总光强值和光场强度分布矩阵，针对一系列探测值进行关联运算即可获得物体的像。
计算鬼成像与基于透镜和CCD的传统成像系统相比，计算鬼成像系统的探测成本低，且在非可见光波段成像、散射介质成像方面有较大优势，具有体积小、成本低、反应灵敏等优点。所以计算鬼成像不仅应用于可见光波段成像，也可应用于红外、太赫兹等非可见光波段的成像。2008年Shapiro提出可省略参考臂的计算鬼成像理论，其中被省略的参考臂实为预置的光场。
在信号获取过程中，受制于香农定理的约束，为保证恢复信号不失真，必须保证信号的采样频率不低于信号带宽的两倍，这造成了庞大的数据采集量和较高的数据传输成本。压缩感知理论能够突破对于采样频率的限制，压缩传感理论表明若原始信号或原始图像是稀疏的或通过稀疏基可将其稀疏化，那么就可以通过设计压缩感知求解算法，使用少量的采样测量值，近似重构出原始信号或原始图像，这样就能将传统的数据采集与压缩合二为一，大大节省采样的时间和信息存储空间。由此，可看出如何结合高质量的散斑输出与信号压缩算法仍是亟需解决的关键问题。
发明内容
为解决计算鬼成像效率低的问题，本发明公开的一种散斑优化压缩感知鬼成像方法及系统要解决的技术问题是：通过图像训练提供一种生成自适应散斑的方法及系统，所述的生成自适应散斑的方法具有成像速度快、所需光强信号次数少的优点；此外，通过将所述的生成自适应散斑的方法应用于压缩感知鬼成像方法，实现简化压缩感知鬼成像方法计算复杂度，具有成像速度快、接受光强信号次数少、形式灵活的优点。
为了实现上述目的，本发明采取如下的技术解决方案：
本发明公开的一种散斑优化压缩感知鬼成像方法，包括以下步骤：
步骤一、通过主元分析法生成优化的散斑矩阵。
根据目标图像种类预先收集大量的样本对象图像，为目标成像场景构建图像字典。然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵。
步骤一具体实现方法为：
根据目标图像种类预先收集大量的样本对象图像。将样本对象图像像素统一化处理，将样本对象图像由二维矩阵形成一维矩阵，将形成的一维矩阵由上至下排列形成排列后的二维矩阵AmXn。随后对二维矩阵AmXn进行主元分析PCA。将矩阵AmXn进行奇异值分解：
A＝PΔQ＝WQ
其中：P是AAT的特征向量张成的二维矩阵，二维矩阵P每一列都是AAT的特征向量，二维矩阵P的大小为M×M，二维矩阵Q是ATA的特征向量张成的二维矩阵，每一行都是ATA的特征向量，Q的大小为N×N，Δ是包含k个最大的AAT和ATA的特征向量的对角矩阵。则二维矩阵A表示为二维矩阵Wk X M和Q来表示。
A＝WQ
从线性代数角度来看，主元分析PCA的目的是使用另一组基去重新描述原来的数据空间，而新的基要尽量揭示原有的数据间的关系。每个变量都等价于一个目标图像，每个观察值都等价于图像中的像素强度。
然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵W。
步骤二、根据步骤一生成的散斑矩阵生成光斑，并将生成的光斑投射到目标图像上，并接收目标图像反射的光强信号，并将光强信号传递到压缩处理模块。
根据步骤一生成的散斑矩阵传递至DMD主控单元，DMD执行主控单元命令，DMD表面产生空间强度涨落的光场，经由会聚透镜a、半反半透镜投射到目标图像表面，目标图像反射的光强信号经由半反半透镜、会聚透镜b被桶探测器接收，最后桶探测器接收的光强信号传递到压缩处理模块。
数字镜设备DMD将不同的光照模式依次投射到目标图像上。然后用单像素检测器记录总光强，所述总光强作为目标图像与光照模式之间的内积。最后，根据所记录的光照模式和单像素强度序列对目标图像进行计算重构。每个照明模式的空间分辨率为X×Y，模式中的像素的总数n＝X×Y。所述分辨率与成像模型中的目标图像分辨率相同。
步骤三、在压缩处理模块中将步骤二得到的光强信号向稀疏基投影得到稀疏信号，再将稀疏信号通过过完备测量矩阵得到一系列非自适应线性随机投影值矩阵，并对所述一系列非自适应线性随机投影值矩阵求解最优化问题实现对原始光强信号高度重构，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量。
将计算机得到的光强信号进行稀疏化处理，将信号向稀疏基投影得到稀疏信号，稀疏基中只有相对较少的元素有较大的数值，大部分元素的值都接近或等于0，再通过一个过完备测量矩阵，得到一系列非自适应线性随机投影散斑，并对随机投影散斑求解最优化问题，实现对原始信号高度重构，生成自适应散斑，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量。将原始信号设为f，是二维矩阵，大小为将二维矩阵变形为1×N的一维行向量，在N×N的稀疏基
上投影，得到大小为一维N行的稀疏向量x，在大小为M×N测量矩阵上投影得到一维M行的观测向量y，所述M＜N，观测向量y用数学符号表达如下：
y＝Φf＝ΦΨx＝Θx
其中f＝Ψx，ΦΨ＝Θ，f为原始信号，Φ为测量矩阵，Ψ为稀疏矩阵，Θ为传感矩阵。原始信号f与稀疏后信号x是同一信号的不同形式的等价表示，两者能够互相转换。
对于接受反射回来的光强信号进行稀疏化处理，能够极大降低数据冗余，实现对目标关键信息的有效提取，加快成像速度，从而提高三维鬼成像的成像质量；特别是在成像场景中所有可能的目标图像之间有很强的相似性和共性时。
本发明还公开的一种基于压缩感知的计算鬼成像系统，用于实现一种散斑优化压缩感知鬼成像方法，所述系统包括数字微镜设备DMD(Digital mirror device)、会聚透镜a、会聚透镜b、半反半透镜、桶探测器和计算机、卤素灯。所述计算机包括主控电路、散斑训练模块、压缩感知模块。所述主控电路包括DMD控制模块、回波信号处理模块。所述主控电路用于控制DMD产生目标散斑光场；所述数字微镜设备DMD用于执行主控电路命令，产生目标光场；所述桶探测器用于探测光强信号；散斑训练模块用于训练散斑，生成与目标物体种类相适应的散斑；压缩感知模块用于接收目标物体反射的光强信号，并对所述光强信号进行压缩。散斑训练模块通过主元分析法生成优化的散斑矩阵，并按照步骤一生成优化的散斑矩阵生成光斑。卤素灯发出均匀的光束，通过主控电路控制DMD产生目标散斑光场，使所述均匀光束通过数字微镜设备DMD将优化的散斑经由会聚透镜a、半反半透镜投射到目标图像表面，目标图像反射的光强信号经由半反半透镜、会聚透镜b被桶探测器接收。桶探测器接收到的光强信号进入压缩感知处理模块，压缩感知处理模块按照步骤三进行压缩感知计算鬼成像关联计算，得到目标图像的像，即实现散斑优化压缩感知鬼成像。
有益效果：
1、本发明公开的一种散斑优化压缩感知鬼成像方法及系统，对于接受反射回来的光强信号进行稀疏化处理，能够极大降低数据冗余，实现对目标关键信息的有效提取，加快成像速度，从而提高三维鬼成像的成像质量；特别是在成像场景中所有可能的目标图像之间有很强的相似性和共性时。
2、本发明公开的一种散斑优化压缩感知鬼成像方法及系统，将图片库的图片进行归一化处理，对于预知的目标图像建立图像字典，通过主元分析方法(PCA)设计出优化过的散斑照射到目标物体上，能够达到自适应设计照明模式的目的。
附图说明
图1为实施例中成像光路系统示意图；
1-DMD、2-会聚透镜a、3-半反半透镜、4-目标物体、5-会聚透镜b、6-桶探测器、7-计算机、8-卤素灯。
图2为本发明公开的一种散斑优化压缩感知鬼成像方法的流程图；
图3为部分图像字典中的图片；
图4为部分主元分析后投射的散斑；
图5为成像图，其中，(a)为目标图案，(b)为仿真结果截图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
实施例：现代计算鬼成像使用二光源是已知光源，本发明使用构建图像字典的方法，对已知的目标建立图像字典从而投射出相应的散斑，即优化的散斑。反射的光强信号经过信号重构，克服香农定理的采样数量限制，达到快速恢复出原始信号的目的。
如图2所示，本实施例公开的一种散斑优化压缩感知鬼成像方法，基于所述一种基于压缩感知的计算鬼成像系统实现，包括以下步骤：
步骤一、通过主元分析法生成优化的散斑矩阵。
根据目标图像种类预先收集大量的样本对象图像，为目标成像场景构建图像字典。然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵。
步骤一具体实现方法为：
根据目标图像种类预先收集大量的样本对象图像。将样本对象图像像素统一化处理，将样本对象图像由二维矩阵形成一维矩阵，将形成一维矩阵由上至下排列形成排列后的二维矩阵AmXn。随后对二维矩阵AmXn进行主元分析PCA。将矩阵AmXn进行奇异值分解：
A＝PΔQ＝WQ
其中：P是AAT的特征向量张成的二维矩阵，二维矩阵P每一列都是AAT的特征向量，二维矩阵P的大小为M×M，二维矩阵Q是ATA的特征向量张成的二维矩阵，每一行都是ATA的特征向量，Q的大小为N×N，Δ是包含k个最大的AAT和ATA的特征向量的对角矩阵。则二维矩阵A表示为二维矩阵Wk X M和Q来表示。
A＝WQ
从线性代数角度来看，主元分析PCA的目的是使用另一组基去重新描述原来的数据空间，而新的基要尽量揭示原有的数据间的关系。每个变量都等价于一个目标图像，每个观察值都等价于图像中的像素强度。
然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵W。
步骤二、根据步骤一生成的散斑矩阵生成光斑，并将生成的光斑投射到目标物体上，并接收目标物体反射的光强信号，并将光强信号传递到压缩处理模块。
根据步骤一生成的散斑矩阵传递至DMD主控单元，DMD执行主控单元命令，DMD表面产生空间强度涨落的光场，经由会聚透镜a2、半反半透镜投射到目标物体4表面，目标物体4反射的光强信号经由半反半透镜3、会聚透镜b5被桶探测器6接收，最后桶探测器6接收的光强信号传递到压缩处理模块。
数字微镜设备DMD将不同的光照模式依次投射到目标物体上。然后用单像素检测器记录总光强，所述总光强作为目标图像与光照模式之间的内积。最后，根据所记录的光照模式和单像素强度序列对目标图像进行计算重构。每个照明模式的空间分辨率为X×Y，模式中的像素的总数为n＝X×Y。所述分辨率与成像模型中的目标图像分辨率相同。
步骤三、在压缩处理模块中将步骤二得到的光强信号向稀疏基投影得到稀疏信号，再将稀疏信号通过过完备测量矩阵得到一系列非自适应线性随机投影值矩阵，并对所述一系列非自适应线性随机投影值矩阵求解最优化问题实现对原始光强信号高度重构，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量。
将计算机得到的光强信号进行稀疏化处理，将信号向稀疏基投影得到稀疏信号，稀疏基中只有相对较少的元素有较大的数值，大部分元素的值都接近或等于0，再通过一个过完备测量矩阵，得到一系列非自适应线性随机投影散斑，并对随机投影散斑求解最优化问题，实现对原始信号高度重构，生成自适应散斑，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量。将原始信号设为f，是二维矩阵，大小为将二维矩阵变形为1×N的一维行向量，在N×N的稀疏基
上投影，得到大小为一维N行的稀疏向量x，在大小为M×N测量矩阵上投影得到一维M行的观测向量y，所述M＜N，观测向量y用数学符号表达如下：
y＝Φf＝ΦΨx＝Θx
其中f＝Ψx，ΦΨ＝Θ，f为原始信号，Φ为测量矩阵，Ψ为稀疏矩阵，Θ为传感矩阵。原始信号f与稀疏后信号x是同一信号的不同形式的等价表示，两者能够互相转换。
如图1所示，本实施例还公开的一种基于压缩感知的计算鬼成像系统，用于实现一种散斑优化压缩感知鬼成像方法，所述系统包括数字微镜设备DMD(Digital mirrordevice)1、会聚透镜a2、会聚透镜b5、半反半透镜3、桶探测器6和计算机7、卤素灯8。所述计算机7包括主控电路、散斑训练模块、压缩感知模块。所述主控电路包括DMD控制模块、回波信号处理模块。所述主控电路用于控制DMD产生目标散斑光场；所述数字微镜设备DMD1用于执行主控电路命令，产生目标光场；所述桶探测器6用于探测光强信号；散斑训练模块用于训练散斑，生成与目标物体种类相适应的散斑；压缩感知模块用于接收目标物体4反射的光强信号，并对所述光强信号进行压缩。散斑训练模块通过主元分析法生成优化的散斑矩阵，并按照步骤一生成优化的散斑矩阵生成光斑。卤素灯8发出均匀的光束，通过主控电路控制DMD1产生目标散斑光场，使所述均匀光束通过数字微镜设备DMD1将优化的散斑经由会聚透镜a2、半反半透镜3投射到目标物体4表面，目标物体4反射的光强信号经由半反半透镜3、会聚透镜b5被桶探测器6接收。桶探测器6接收到的光强信号进入压缩感知处理模块，压缩感知处理模块按照步骤三进行压缩感知计算鬼成像关联计算，得到目标物体4的像，即实现散斑优化压缩感知鬼成像。
实施例2：
步骤一：如图1所示，本实施例公开的一种基于压缩感知的计算鬼成像系统，包括主控电路、数字微镜设备DMD1(Digital mirror device)、单像素探测器和计算机7，其所述主控电路包括DMD控制模块、回波信号处理模块，均安装于计算机中；所述主控电路用于控制DMD产生目标散斑光场；所述DMD用于执行主控电路命令，产生目标光场；所述单像素探测器用于探测光强信号；所述计算机7用于训练散斑和光目标重构。
如图3所示，对已知目标建立图像字典，选取图片库中的标准图片n张进行对其进行像素统一化处理(均转化为像素相同的图片)，本案例中使用的是像素为64×64的图片。如果是已知的目标，则能够在图片库中选择同类的图片作为图像字典。
再将图片二维矩阵转化为一维矩阵，并将这n个一维矩阵由上至下排列成一个新的二维矩阵A，A的大小为4096×n。对A进行主元分析(PCA)，图4即为主元分析得到的针对目标物体投射的优化散斑图案。
步骤二：由步骤一生成的散斑信号经由计算机传递至DMD主控单元，DMD1受到反射镜面元的调制，表面将产生空间强度涨落的光场，光束将透过会聚透镜a2照射到目标物体4表面，穿过目标物体4再次经过会聚透镜b5由桶探测器6接受光强信号，最后光强信号传递到计算机7中。投射的散斑数量为4096，采样率取为0.3。
步骤三：将计算机7得到的光强信号进行稀疏化处理，将信号向稀疏基投影得到稀疏信号，再通过一个过完备测量矩阵，得到一系列非自适应线性随机投影值，并对其求解最优化问题实现对原始信号高度重构。本实施例采用的是增广拉格朗日算法，对于光强信号进行重构，成像图如图5中(b)所示。
本实施例公开的一种基于压缩感知的计算鬼成像系统工作流程如图2所示，(1)通过建立图像字典进行主元分析得到预置散斑。(2)通过对于接收到的光强信号进行压缩计算，减少数据接受次数，提高成像效率。(3)将散斑优化方案与压缩感知方法结合，实现快速、高质量计算鬼成像。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种散斑优化压缩感知鬼成像方法，其特征在于：包括以下步骤，
步骤一、通过主元分析法生成优化的散斑矩阵；
根据目标图像种类预先收集大量的样本对象图像，为目标成像场景构建图像字典；然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵；
步骤二、根据步骤一生成的散斑矩阵生成光斑，并将生成的光斑投射到目标物体上，并接收目标物体反射的光强信号，并将光强信号传递到压缩处理模块；
步骤三、在压缩处理模块中将步骤二得到的光强信号向稀疏基投影得到稀疏信号，再将稀疏信号通过过完备测量矩阵得到一系列非自适应线性随机投影值矩阵，并对所述一系列非自适应线性随机投影值矩阵求解最优化问题实现对原始光强信号高度重构，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量；
步骤一具体实现方法为，
根据目标图像种类预先收集大量的样本对象图像；将样本对象图像像素统一化处理，将样本对象图像由二维矩阵形成一维矩阵，将形成的一维矩阵由上至下排列形成二维矩阵
随后对二维矩阵
进行主元分析PCA；将矩阵
进行奇异值分解：
A＝P△Q＝WQ
其中：P是AAT的特征向量张成的二维矩阵，二维矩阵P每一列都是AAT的特征向量，二维矩阵P的大小为M×M，二维矩阵Q是ATA的特征向量张成的二维矩阵，每一行都是ATA的特征向量，Q的大小为N×N，Δ是包含k个最大的AAT和ATA的特征向量的对角矩阵；则二维矩阵A用二维矩阵
和Q来表示：
A＝WQ
从线性代数角度来看，主元分析PCA的目的是使用另一组基去重新描述原来的数据空间，而新的基要尽量揭示原有的数据间的关系；
然后通过主元分析法根据图像字典中提取的共同特征生成优化的散斑矩阵W；
步骤二实现方法为，
根据步骤一生成的散斑矩阵传递至主控单元，DMD(1)执行主控单元命令，DMD(1)表面产生空间强度涨落的光场，经由会聚透镜a(2)、半反半透镜(3)投射到目标物体表面，目标物体反射的光强信号经由半反半透镜(3)、会聚透镜b(5)被桶探测器(6)接收，最后桶探测器(6)接收的光强信号传递到压缩处理模块；
DMD(1)将不同的光照模式依次投射到目标物体上；然后用单像素检测器记录总光强，所述总光强作为目标图像与光照模式之间的内积；最后，根据所记录的光照模式和单像素强度序列对目标图像进行计算重构；每个照明模式的空间分辨率为X×Y，模式中的像素的总数为n＝X×Y；所述空间分辨率与成像模型中的目标图像分辨率相同；
步骤三实现方法为，
将计算机得到的光强信号进行稀疏化处理，将信号向稀疏基投影得到稀疏信号，稀疏基中只有相对较少的元素有较大的数值，大部分元素的值都接近或等于0，再通过一个过完备测量矩阵，得到一系列非自适应线性随机投影散斑，并对随机投影散斑求解最优化问题，实现对原始信号高度重构，生成自适应散斑，实现散斑优化压缩感知鬼成像，从而提高三维鬼成像的成像质量；将原始信号设为f，是大小为N×1的一维N行向量，在N×N的稀疏基Ψ上投影，得到大小为一维N行的稀疏向量x，在大小为M×N的测量矩阵Φ上投影得到M×1的一维M行向量的观测向量y，M＜N，观测向量y用数学符号表达如下：
y＝Φf＝ΦΨx＝Θx
其中f＝Ψx，ΦΨ＝Θ，f为原始信号，Φ为测量矩阵，Ψ为稀疏矩阵，Θ为传感矩阵；原始信号f与稀疏后信号x是同一信号的不同形式的等价表示，两者能够互相转换。
2.一种基于压缩感知的计算鬼成像系统，用于实现如权利要求1所述的一种散斑优化压缩感知鬼成像方法，其特征在于：所述系统包括数字微镜设备DMD(1)、会聚透镜a(2)、会聚透镜b(5)、半反半透镜(3)、桶探测器(6)和计算机(7)、卤素灯(8)；所述计算机(7)包括主控电路、散斑训练模块、压缩感知处理模块；所述主控电路包括DMD控制模块、回波信号处理模块；所述主控电路用于控制DMD(1)产生目标散斑光场；所述DMD(1)用于执行主控电路命令，产生目标光场；所述桶探测器(6)用于探测光强信号；散斑训练模块用于训练散斑，生成与目标物体种类相适应的散斑；压缩感知处理模块用于接收目标物体反射的光强信号，并对所述光强信号进行压缩；散斑训练模块通过主元分析法生成优化的散斑矩阵，并按照步骤一生成优化的散斑矩阵经DMD(1)投射生成光斑；卤素灯(8)发出均匀的光束，通过主控电路控制DMD(1)产生目标散斑光场，使所述均匀的光束通过数字微镜设备DMD(1)将优化的散斑经由会聚透镜a(2)、半反半透镜(3)投射到目标物体(4)表面，目标物体反射的光强信号经由半反半透镜(3)、会聚透镜b(5)被桶探测器(6)接收；桶探测器(6)接收到的光强信号进入压缩感知处理模块，压缩感知处理模块按照步骤三进行压缩感知计算鬼成像关联计算，得到目标物体的像，即实现散斑优化压缩感知鬼成像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910920934.XA CN110646810B (zh) | 2019-09-27 | 2019-09-27 | 一种散斑优化压缩感知鬼成像方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910920934.XA CN110646810B (zh) | 2019-09-27 | 2019-09-27 | 一种散斑优化压缩感知鬼成像方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110646810A CN110646810A (zh) | 2020-01-03 |
| CN110646810B true CN110646810B (zh) | 2021-08-06 |
Family
ID=69011628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910920934.XA Active CN110646810B (zh) | 2019-09-27 | 2019-09-27 | 一种散斑优化压缩感知鬼成像方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110646810B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111708176B (zh) * | 2020-03-19 | 2021-04-30 | 北京理工大学 | 一种自适应异构变分辨率鬼成像方法及系统 |
| CN111652059B (zh) * | 2020-04-27 | 2023-03-24 | 西北大学 | 基于计算鬼成像的目标识别模型构建、识别方法及装置 |
| CN111626285A (zh) * | 2020-05-27 | 2020-09-04 | 北京环境特性研究所 | 一种字符识别系统和方法 |
| CN111833265A (zh) * | 2020-06-15 | 2020-10-27 | 北京邮电大学 | 一种基于组稀疏循环调制的鬼成像图像恢复方案 |
| CN111812672B (zh) * | 2020-07-31 | 2023-02-10 | 广东工业大学 | 一种图像重建方法及反射式太赫兹鬼成像系统 |
| CN112165570B (zh) * | 2020-08-29 | 2022-06-28 | 南京理工大学 | 一种基于计算鬼成像的多深度目标对焦方法 |
| CN111986118B (zh) * | 2020-08-31 | 2023-06-16 | 广东工业大学 | 一种加权核范数最小化的水下计算鬼成像图像去噪方法及系统 |
| CN112767509B (zh) * | 2021-01-18 | 2022-10-14 | 中南大学 | 用于关联成像系统的图像重构方法 |
| CN112802145A (zh) * | 2021-01-27 | 2021-05-14 | 四川大学 | 一种基于深度学习的彩色计算鬼成像方法 |
| CN113219490B (zh) * | 2021-05-14 | 2023-12-29 | 合肥工业大学 | 一种雾霾分散体系下的反射式扫描计算偏振鬼成像系统 |
| CN114418888B (zh) * | 2022-01-19 | 2024-02-02 | 西安交通大学 | 一种基于遗传算法的鬼成像方法、系统及存储介质 |
| CN116016893B (zh) * | 2022-12-16 | 2024-04-02 | 重庆邮电大学 | 一种单像素三维成像系统及方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003157439A (ja) * | 2001-11-20 | 2003-05-30 | National Institute Of Advanced Industrial & Technology | 画像のカテゴリー化による画像特徴量の相関抽出方法とその相関抽出装置 |
| CN104778665B (zh) * | 2015-04-14 | 2018-12-11 | 清华大学 | 基于自然图像块先验驱动的压缩鬼成像重构方法及系统 |
| CN106405546B (zh) * | 2016-11-08 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 基于压缩散斑的快速关联成像系统及方法 |
| CN107121709B (zh) * | 2017-06-01 | 2023-07-25 | 华南师范大学 | 一种基于压缩感知的对象成像系统及其成像方法 |
| CN108520235B (zh) * | 2018-04-09 | 2020-05-08 | 中国人民解放军国防科技大学 | 一种压缩光谱特征感知方法 |
| CN110163821B (zh) * | 2019-05-09 | 2022-10-11 | 安徽大学 | 一种基于非负约束的奇异值分解压缩鬼成像方法及系统 |
| CN110163274B (zh) * | 2019-05-15 | 2022-08-30 | 南京邮电大学 | 一种基于鬼成像和线性判别分析的物体分类方法 |
-
2019
- 2019-09-27 CN CN201910920934.XA patent/CN110646810B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110646810A (zh) | 2020-01-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110646810B (zh) | 一种散斑优化压缩感知鬼成像方法及系统 | |
| US11862021B2 (en) | Method and apparatus for remanent imaging control | |
| Yuan et al. | Snapshot compressive imaging: Theory, algorithms, and applications | |
| Su et al. | Deep end-to-end time-of-flight imaging | |
| US11368608B2 (en) | Compressed sensing based object imaging system and imaging method therefor | |
| CN110650340B (zh) | 一种时空复用的压缩视频成像方法 | |
| US20150003738A1 (en) | Adaptive quality image reconstruction via a compressed sensing framework | |
| CN107248139B (zh) | 基于显著视觉和dmd阵列分区控制的压缩感知成像方法 | |
| CN111833248A (zh) | 基于部分哈达玛矩阵的超分辨率鬼成像方法及系统 | |
| CN111833265A (zh) | 一种基于组稀疏循环调制的鬼成像图像恢复方案 | |
| CN113870132A (zh) | 计算鬼成像采样过程中的噪声消除方法、系统及相关组件 | |
| CN110545379A (zh) | 一种采用dmd的并行时空域联合压缩成像方法及装置 | |
| Bao et al. | Coherence retrieval using trace regularization | |
| CN111598962A (zh) | 基于矩阵草图分析的单像素成像方法和装置 | |
| EP3143583B1 (en) | System and method for improved computational imaging | |
| CN112051239A (zh) | 基于动态散射系统的在探测面积受限情况下的成像方法 | |
| CN116579959B (zh) | 用于高光谱图像的融合成像方法及装置 | |
| CN109087267A (zh) | 一种基于压缩感知的目标检测方法 | |
| US11663708B2 (en) | Image processing apparatus, imaging apparatus, and image processing method | |
| Pistellato et al. | On-the-go reflectance transformation imaging with ordinary smartphones | |
| US11665330B2 (en) | Dynamic-baseline imaging array with real-time spatial data capture and fusion | |
| CN110044474B (zh) | 一种基于插值算法的关联成像优化方法 | |
| Stojanović et al. | Deep Features in Correlation Filters for Thermal Image Tracking | |
| Iwaguchi et al. | Efficient light transport acquisition by coded illumination and robust photometric stereo by dual photography using deep neural network | |
| WO2023084484A1 (en) | Dynamic vision sensor color camera |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |